摘要
风力发电作为一种新能源，得到了快速的发展。风电机组的核心部件之一是滚动轴承，它决定了风机能否高效运行。由于风电机组工作在腐蚀、沙尘和湿热等复杂的变工况环境下，导致滚动轴承易发生损坏，对风机的运行造成严重的影响。因此，在变工况下，对于风机滚动轴承的故障诊断研究具有重要的实际意义。利用时频指标进行轴承故障诊断的传统方法已经不能满足于风机运维的需要，工业自动化的发展使深度学习在轴承故障诊断方法研究中得到了广泛的应用，对此，本文提出了基于深度学习的风机轴承故障融合诊断方法，主要研究内容如下： (1)针对风机轴承故障数据噪声量大，故障特征难以提取以及VMD分解参数需要人为预设的问题，本文提出一种基于DBO-VMD的风机轴承故障特征提取算法。该算法利用蜣螂优化算法(DBO)对VMD分解的参数[K,α]进行优化，选择IMF分量的平均包络熵作为DBO算法的适应度函数，使用峭度指标选择合适的IMF分量进行轴承故障信号的重构。CWRU和SQV数据集的实验结果表明，DBO-VMD算法在复杂变工况下有着较强的故障特征提取能力。 (2)针对实际工业运维中风机轴承故障数据样本匮乏的问题，提出一种基于TimeGAN-RepVGG的风机轴承故障诊断方法。该方法首先对原始风机轴承故障数据进行DBO-VMD分解，然后使用TimeGAN网络对重构后的信号进行数据增强，最后基于RepVGG网络实现风机轴承故障诊断。实验结果表明，TimeGAN-RepVGG方法在样本不均衡的情况下，CWRU数据集的AP值为99.1%,变工况SQV数据集的AP值为95.1%。 (3)针对使用时频图训练深度学习模型时，时域信息被忽略的问题，本文提出一种基于BiLSTM-RepVGG-ECA的双通道融合网络的变工况风机轴承故障诊断方法。该方法使用BiLSTM提取故障数据的时域特征，在保证时域数据特征连续性的同时，采用改进的轻量化模型RepVGG-ECA提取故障数据的空间信息。实验结果表明，在复杂的变工况SQV数据集下，BiLSTM-RepVGG-ECA故障诊断的Precision为99.59%。 (4)针对本文提出的BiLSTM-RepVGG-ECA融合模型，使用PyQt5研发了风机轴承故障诊断软件，主要的功能包括：DBO-VMD算法的实现、信号的时频分析和BiLSTM-RepVGG-ECA模型的训练与测试等。软件的测试结果表明，该软件符合风机轴承运维的需求，具有良好的可行性。
NETL